【技术实现步骤摘要】
联邦学习的沙盒机制
本专利技术涉及计算机科学中的联邦学习，特别是关于联邦学习过程中的沙盒机制。
技术介绍
近年来，依赖数据驱动的人工智能应用陷入困境。虽然人工智能算法发展迅速，但是训练人工智能模型通常需要大量的数据，这些数据往往分布在不同的机构手中，出于保护数据隐私和安全的严格监管造成数据孤岛化。因此，联邦学习(FederatedMachineLearning)系统应运而生。联邦学习在满足数据安全和用户隐私保护的前提下通过加密的参数交换机制建立一个多方共有的机器学习模型，使得在没有任何一方数据被泄露的情况下也能联合建立机器学习模型，解决了数据孤岛问题。因此，联邦学习可以被应用于诸多需要数据训练的人工智能场景中。例如，再保险公司可以将不同保险公司的数据通过联邦学习联合建立保险风险模型，然后每一家保险公司都可以使用这个模型更好地管理风险。然而，当联邦学习系统被实际应用之前，如何为参与者提供测试环境、模拟学习过程、测量所需参数，如何保障并证明联邦学习平台的安全性、完整性、隐私性等还没有一个完善的机制。由于联邦学习是计算机科...
【技术保护点】
1.一种联邦学习的沙盒机制，其特征在于，所述沙盒机制包括以下步骤：/n建立联邦学习沙盒训练环境；/n建立联邦学习沙盒市场环境；/n测量联邦学习相关参数；/n对加密测量的参数的报告与解密。/n
【技术特征摘要】
1.一种联邦学习的沙盒机制，其特征在于，所述沙盒机制包括以下步骤：
建立联邦学习沙盒训练环境；
建立联邦学习沙盒市场环境；
测量联邦学习相关参数；
对加密测量的参数的报告与解密。
2.根据权利要求1所述联邦学习的沙盒机制，其特征在于，所述沙盒训练环境和实际投入使用的生产环境相互独立，沙盒训练环境内的所有操作不会影响到生产环境。
3.根据权利要求1或2所述联邦学习的沙盒机制，其特征在于，还包括，联邦学习参与者能够将沙盒训练环境下载到本地运行；所述沙盒训练环境由安装有沙盒训练环境的沙盒服务器提供，沙盒服务器独立于生产环境的服务器。
4.根据权利要求1或2所述联邦学习的沙盒机制，其特征在于，还包括，所述沙盒训练环境中安装有联邦学习模型训练算法。
5.根据权利要求1或2所述联邦学习的沙盒机制，其特征在于，还包括，参与者通过下载联邦学习系统提供的沙盒，或利用安装有沙盒的服务器来模拟联邦学习训练过程。
6.根据权利要求1或2所述联邦学习的沙盒机制，其特征在于，还包括，在所述沙盒训练环境中存储有一个加密的沙盒联邦学习模型，所述该加密的沙盒联邦学习模型是将生产联邦学习模型的一个拷贝加密后的结果。
7.根据权利要求1所述联邦学习的沙盒机制，其特征在于，还包括，系统使用模拟数据训练不同于生产联邦学习模型的沙盒联邦学习模型，存储于所述沙盒训练环境中。
8.根据权利要求1-7任一项所述联邦学习的沙盒机制，其特征在于，还包括，模拟虚拟参与者的行为，所述虚拟参与者会模拟向沙盒联邦学习模型贡献数据、调用沙盒联邦学习模型、以及攻击或退出模型行为中的一者或多者。
9.根据权利要求1-8任一项所述联邦学习的沙盒机制，其特征在于，还包括，在所述联邦学习沙盒市场环境中建有模拟供需曲线。
10.根据权利要求1-9任一项所述联邦学习的沙盒机制，其特征在于，所述联邦学习沙盒市场环境包括模拟数据提供者的行为、模拟虚拟数据提供者行为、模拟模型用户的行为、模拟虚拟模型用户行为中的一者或多者。
11.根据权利要求1所述联邦学习的沙盒机制，其特征在于，所述测量联邦学习相关参数包括测量联邦学习模型的安全性、效率、经济效益、以及数据提供者提供的数据有效性和成本类型、模型用户的收益类型中的一者或多者。
12.根据权利要求11所述联邦学习的沙盒机制，其特征在于，还包括，所述沙盒环境中建立有沙盒测量环境，测量联邦学习相关参数。
13.根据权利要求12所述沙盒测量环境，其特征在于，所述沙盒测...
【专利技术属性】
技术研发人员：丛明舒，黄艺茁，
申请(专利权)人：深圳逻辑汇科技有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。